FACULTAD DE CIENCIAS DE LA SALUD Y DE LOS ALIMENTOS

MAGSTER EN CIENCIA E INGENIERIA EN ALIMENTOS

DOCTORADO EN INGENIERIA DE ALIMENTOS

Chilln, Junio de 2014.

Prof. Guillermo Petzold M.

GUIA 2 TALLER DISEO EXPERIMENTAL EN ALIMENTOS

1. Un ingeniero realiza un diseo factorial a dos niveles para estudiar el rendimiento del
proceso como una funcin del tiempo, temperatura y catalizador. Los siguientes efectos
fueron calculados a partir del estudio:
Efecto

Valor

Tiempo
Temperatura
Catalizador
Tiempo x Temperatura
Tiempo x Catalizador
Temperatura x
Catalizador

2.9594
2.7632
0.1618
0.8624
0.0744
-0.0867

a) Usando un grfico de probabilidad normal, encuentre los posibles efectos

significantes.
El primer paso para la construccin del grafico de probabilidad normal es la ordenacin de
los efectos estimados de mayor a menor, como se muestra en la siguiente tabla.
ORDEN (i)
1

EFECTO
Tiempo

VALOR
2,9594

PROBABILIDAD (Pi)
8,333

Temperatura

2,7632

25,000

Tiempo x Temperatura

0,8624

41,667

Catalizador

0,1618

58,333

Tiempo x Catalizador

0,0744

75,000

Temperatura x Catalizador

-0,0867

91,667

Los valores de i son asignados en orden creciente entre 1 y m, donde m es el

mximo valor de i (orden del ltimo efecto estimado). El valor de la probabilidad Pi se
determina mediante la siguiente ecuacin.

P i=

( 100(i0.5)
)
m

El orden, efecto estimado, valor del efecto estimado y el clculo de la probabilidad

se presenta en la tabla previamente expuesta. A partir de los valores de los efectos (x) y el
valor de la probabilidad estimada (y) para cada efecto, se construye la representacin
grfica de probabilidad normal presentada a continuacin.
-0.1 0.4 0.9 1.4 1.9 2.4 2.9
1.000

Probabilidad Normal

10.000

100.000
Efectos

Los efectos significativos sobre el rendimiento del proceso en estudio quedan ms

alejados de la lnea recta trazada y se encuentran en negrita en la tabla de resultados.
Dichos efectos corresponden a; Temperatura, Tiempo x Catalizador y temperatura x
catalizador, ubicados de derecha a izquierda en la representacin grfica.

2. Un experimento se lleva a cabo para analizar 4 factores en un proceso qumico, para

ello se realiza un diseo factorial.
Factor

(1) Concentracin de
catalizador (%)
(2) Concentracin de NaOH (%)
(3) Velocidad de agitacin
(rpm)
(4) Temperatura (C)

5
40
10
150

7
45
20
180

Orden exp.

2
6
12
4
1
7
14
3
8
10
15
11
16
9
5
13

-1.0
1.0
-1.0
1.0
-1.0
1.0
-1.0
1.0
-1.0
1.0
-1.0
1.0
-1.0
1.0
-1.0
1.0

-1.0
-1.0
1.0
1.0
-1.0
-1.0
1.0
1.0
-1.0
-1.0
1.0
1.0
-1.0
-1.0
1.0
1.0

-1.0
-1.0
-1.0
-1.0
1.0
1.0
1.0
1.0
-1.0
-1.0
-1.0
-1.0
1.0
1.0
1.0
1.0

-1.0
-1.0
-1.0
-1.0
-1.0
-1.0
-1.0
-1.0
1.0
1.0
1.0
1.0
1.0
1.0
1.0
1.0

impurez
as
0.38
0.40
0.27
0.30
0.58
0.56
0.30
0.32
0.59
0.62
0.53
0.50
0.79
0.75
0.53
0.54

a) Determine el valor de los efectos y un modelo predictivo para la variable de

respuesta considerada.
Para determinar el modelo que prediga el comportamiento de la variable de respuesta,
en primera instancia se desarrolla el clculo de los efectos estimados. En la tabla
siguiente se expone el valor de los efectos estimados para el orden 3 adems se
presenta el valor del error estndar para los efectos estimados que permite discriminar
la importancia de dichos efectos. Notar que tambin se presenta en la tabla 5.3 el
factor de inflacin de varianza (V.I.F.). Para un diseo perfectamente ortogonal, todos
los factores seran igual a 1. Factores de 10 o ms normalmente se interpretan como
indicativos de confusin entre los efectos.

Efecto
promedio
A:1
B:2
C:3
D:4
AB
AC
AD
BC
BD
CD
ABC
ABD
ACD
BCD

Estimado
0,4975
0,0025
-0,1725
0,0975
0,2175
0,005
-0,01
-0,01
-0,075
0,01
-0,005
0,0175
-0,0075
0,0025
0,0025

Error Estd.
0,005
0,01
0,01
0,01
0,01
0,01
0,01
0,01
0,01
0,01
0,01
0,01
0,01
0,01
0,01

V.I.F.
1,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0

El modelo determinado que predice el comportamiento de la variable de respuesta sin

descontar aquellos efectos estimados cuyo error posee una magnitud de igual o mayor
magnitud que el valor del efecto estimado propiamente tal, se presenta a continuacin.
Impurezas = 0,4975 + 0,00125*1 - 0,08625*2 + 0,04875*3 + 0,10875*4 + 0,0025*1*2 0,005*1*3 - 0,005*1*4 - 0,0375*2*3 + 0,005*2*4 - 0,0025*3*4 + 0,00875*1*2*3 0,00375*1*2*4 + 0,00125*1*3*4 + 0,00125*2*3*4
Al descontar aquellos efectos estimados cuyo error posee un valor de igual o mayor
magnitud que el valor del efecto estimado propiamente tal, marcados en negrita en la
tabla anterior, se obtiene el siguiente modelo predictivo para las impurezas en el
proceso qumico analizado.
Impurezas = 0,4975 - 0,08625*2 + 0,04875*3 + 0,10875*4 - 0,0375*2*3 +
0,00875*1*2*3
Tras la exclusin los factores y sus interacciones restantes poseen significancia
estadstica, basndose en el anlisis de varianza, por tanto el modelo predictivo
anterior se considera idneo para estimar el valor de las impurezas en el proceso
qumico en estudio. La representacin grafica siguiente pone de manifiesto el buen
ajuste entre los valores predichos por el modelo v/s los valores observados.

Grfica de y
0,87

observados

0,77
0,67
0,57
0,47
0,37
0,27
0,27

0,37

0,47

0,57
predichos

0,67

0,77

0,87

Notar que para conseguir la minimizacin de las impurezas se deben considerar niveles
altos de Catalizador e NaOH, 7 y 45 % respectivamente y niveles bajos de Velocidad de
agitacin y Temperatura. Ahora bien se observ previamente que el factor; Catalizador no
tena efecto sobre el contenido de impurezas por lo cual puede ser descontado de la
minimizacin sealada.

3. Un ingeniero estudia el porcentaje de conversin o rendimiento de un proceso. Existen

dos variables de inters: el tiempo de reaccin y la temperatura. Dado que el ingeniero
tiene cierta incertidumbre sobre la suposicin de linealidad en la regin de inters, decide
efectuar un diseo 22 (con una sola rplica de cada corrida experimental) aumentando con
cinco puntos centrales, tal como se muestra en la figura:
160

40.0

Temp

(C)

155
150

41.5

40.3
40.5
40.7
40.2
40.6

39.3

40.9

30

35

40

Tiempo de reaccin
(min)
a) Analice los datos y realice las conclusiones pertinentes
Mediante el anlisis de la variable de respuesta en estudio; rendimiento del proceso,
desde el esquema proporcionado, se especula que debemos desplazarnos en una
direccin diagonal para aumentar el rendimiento del proceso. Esto sugiere que el proceso
hipotticamente debera operar a condiciones de mayor tiempo de reaccin y mayor
temperatura. Sin embargo como se sugiere la incertidumbre sobre la suposicin de
linealidad en la regin de inters, vamos a analizar este experimento.
Para ello los datos del esquema proporcionado son vertidos a la matriz de diseo del
experimento como lo muestra la tabla siguiente.
BLOQUE

tiempo

1
1
1
1
1
1
1
1
1

min
-1
1
-1
1
0
0
0
0
0

Temperatur Rendimient
a
o
C
%
-1
39,3
-1
40,9
1
40
1
41,5
0
40,3
0
40,5
0
40,7
0
40,2
0
40,6

Para determinar el modelo que prediga el comportamiento de la variable de respuesta, en

primera instancia se desarrolla el clculo de los efectos estimados. En la tabla siguiente
se expone el valor de los efectos estimados para el orden 2 adems se presenta el valor
del error estndar para los efectos estimados que permite discriminar la importancia de
dichos efectos. Notar que tambin se presenta en la tabla 5.3 el factor de inflacin de
varianza (V.I.F.). Para un diseo perfectamente ortogonal, todos los factores seran igual
a 1. Factores de 10 o ms normalmente se interpretan como indicativos de confusin
entre los efectos.
Efecto
promedio
A:tiempo
B:Temperatura
AB

Estimado
40,4444
1,55
0,65
-0,05

Error Estd.
0,0623114
0,186934
0,186934
0,186934

V.I.F.
1,0
1,0
1,0

Notar que el error de la interaccin entre los factores AxB, es decir, tiempo por
temperatura, posee un valor de mayor magnitud que el valor de la interaccin estimada
propiamente tal. Tras excluir este valor del modelo predictivo la siguiente ecuacin.
Rendimiento = 40,4444 + 0,775*tiempo + 0,325*Temperatura
La exclusin de la estimacin de la interaccin AB dependiendo del valor calculado para la
desviacin estndar, se conoce como chequeo o verificacin de curvatura. Al ser
despreciable la interaccin entre los factores en estudio se asume linealidad en el
comportamiento del proceso en funcin de los factores tiempo y Temperatura. Se advierte
tal como se haba anticipado que un mayor rendimiento se obtendr a niveles altos de
ambos factores de inters (tiempo y Temperatura).
Contornos de la Superficie de Respuesta Estimada

Contornos de la Superficie de Respuesta Estimada

rendimiento
39,0-39,3
39,3-39,6
39,6-39,9
39,9-40,2
40,2-40,5
40,5-40,8
40,8-41,1
41,1-41,4
41,4-41,7
41,7-42,0

Temperatura

0,6
0,2
-0,2

rendimiento
39,0-39,3
39,3-39,6
39,6-39,9
39,9-40,2
40,2-40,5
40,5-40,8
40,8-41,1
41,1-41,4
41,4-41,7
41,7-42,0

0,6
Temperatura

0,2
-0,2
-0,6

-0,6

-1

-1
-1

-0,6

-0,2

0,2
tiempo

0,6

-1

-0,6

-0,2

0,2
tiempo

0,6

Las representaciones graficas anteriores muestran a la izquierda un grafico de contorno

para un modelo predictivo que considera la interaccin entre los factores, cuyo valor
optimo corresponde a 41.5194 % de rendimiento y a la derecha uno que la excluye como
se ha visto, con un valor optimo equivalente a 41.5444%, si bien este valor es levemente
mayor, junto a las representaciones graficas nos sirve como un indicador que valida la
eliminacin de la interaccin al no presentarse curvatura en el comportamiento del
proceso en la regin de inters.

4. R.D. Snee describe un experimento con un diseo 2 5-1 con I=ABCDE que fue
usado para investigar los efectos de 5 factores sobre el color de un producto
alimentario. Los factores son A= solvente/reactante, B= catalizador/reactante,
C= temperatura, D= pureza del reactante, y E= pH del reactante. Los
resultados obtenidos fueron los siguientes:

a) Usando un grfico de probabilidad normal determine los efectos significativos.

Realice un informe ejecutivo de las conclusiones.
Los datos del diseo proporcionado son vertidos a la matriz de diseo del experimento
como lo muestra la tabla siguiente.
BLOQUE
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

A
-1
1
-1
1
-1
1
-1
1
-1
1
-1
1
-1
1
-1
1

B
-1
-1
1
1
-1
-1
1
1
-1
-1
1
1
-1
-1
1
1

C
-1
-1
-1
-1
1
1
1
1
-1
-1
-1
-1
1
1
1
1

D
-1
-1
-1
-1
-1
-1
-1
-1
1
1
1
1
1
1
1
1

E
1
-1
-1
1
-1
1
1
-1
-1
1
1
-1
1
-1
-1
1

Color
-0,63
2,51
-2,68
1,66
2,06
1,22
-2,09
1,93
6,79
5,47
3,45
5,68
5,22
4,38
4,3
4,05

Dado que no se presentaron el nmero de datos suficientes para desarrollar un anlisis

mas acabado del experimento, el orden mximo de efectos correspondi a 2. Aun as no
quedan grados de libertad para estimar los errores estndar y discriminar que factores o
sus interacciones tienen un efecto significativo sobre la variable de respuesta. Apoyados
en la representacin grafica de probabilidad normal y el diagrama de pareto expuesto a
continuacin se pueden excluir los efectos que no son estadsticamente significativos, es
decir, tienen un comportamiento normal.
Diagrama de Pareto para Var_1
D:Factor_D
AD
B:Factor_B
A:Factor_A
AB
E:Factor_E
AC
CD
AE
BE
BD
CE
BC
C:Factor_C
DE

+
-

Efecto

-2

-1

1.000

Probabilidad Normal

10.000

100.000
Efectos

Los efectos que no son estadsticamente significativos corresponden a; BE, AE, BD, CE,
BC, C y DE. Para construir la representacin grfica de probabilidad normal antes
expuesta se emplearon los efectos calculados alojados en la siguiente tabla.

ORDEN (i)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

EFECTO
D:Factor_D
A:Factor_A
AB
AE
BE
BD
BC
DE
C:Factor_C
CE
CD
AC
E:Factor_E
B:Factor_B
AD

VALOR
4,42
1,31
1,28
0,30
0,29
0,25
0,17
0,09
-0,15
-0,24
-0,71
-0,79
-0,83
-1,34
-1,36

PROBABILIDAD (Pi)
3,33
10,00
16,67
23,33
30,00
36,67
43,33
50,00
56,67
63,33
70,00
76,67
83,33
90,00
96,67

b) Calcule los residuos y estime la adecuacin del modelo predictivo (determine un

valor que permita estimar esa adecuacin).
Tras la exclusin del modelo predictivo de los efectos que no eran estadsticamente
significativos (BE, AE, BD, CE, BC, C y DE). El modelo predictivo queda como lo muestra
la siguiente ecuacin.
Color = 2,7075 + 0,655*A - 0,67*B + 2,21*D - 0,41375*E + 0,6375*A*B - 0,39375*A*C 0,6775*A*D - 0,35625*C*D
A partir de este modelo y mediante la matriz de diseo del experimento, se reemplazan en
el modelo las 16 combinaciones de los 5 factores que influyen en la variable de respuesta;
color. De este modo se obtiene la siguiente tabla en la que se presentan los valores
observados, los modelos provenientes del modelo predictivo y los residuos calculados
como la diferencia entre el valor predicho meno el valor observado. As se tiene lo
siguiente.

Fila
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

Valores Observados
-0,630
2,510
-2,680
1,660
2,060
1,220
-2,090
1,930
6,790
5,470
3,450
5,680
5,220
4,380
4,300
4,050

Valores ajustados
-0,691
2,314
-2,479
1,421
1,636
1,411
-1,806
2,174
6,624
5,264
3,181
6,026
5,871
4,591
4,084
3,699

Residuos
0,061
0,196
-0,201
0,239
0,424
-0,191
-0,284
-0,244
0,166
0,206
0,269
-0,346
-0,651
-0,211
0,216
0,351

La representacin grfica siguiente se obtiene al representar los residuos calculados en

funcin de los valores predichos.

Grfica de Residuos para Var_1

0,75

residuo

0,45
0,15
-0,15
-0,45
-0,75
-2,7

-0,7

1,3
3,3
predichos

5,3

7,3

La adecuacin del modelo predictivo seleccionado corresponde al clculo del coeficiente

de determinacin; R2, obtenido al correlacionar los valores predichos v/s los observados.
El valor de R2 para el modelo predictivo que se ha estado estudiando corresponde a
0.9878. Este valor a sido determinado mediante mnimos cuadrados a travs del software
de Microsoft Excel al igual que la representacin grfica siguiente. El valor obtenido para
el coeficiente de determinacin nos muestra que la adecuacin del modelo predictivo
estudiado representa apropiadamente el comportamiento de la variable de respuesta;
color en funcin de los factores que influyen sobre ella.
8
6

R = 0.99

4
Valores observados

2
0
-2
-4
-4

-2

valores predichos

5. Se piensa que cuatro factores tienen influencia sobre el sabor de un refresco: tipo de
edulcorante (A), proporcin jarabe/agua (B), nivel de carbonatacin (C) y temperatura (D).
Cada factor puede correrse en dos niveles, lo que produce un diseo 2 4. En cada corrida
del diseo, se dan muestras de la bebida a un panel formado por 20 personas. Cada una
de ellas asigna un puntaje a la bebida, que flucta entre 1 y 10. El puntaje total es la
variable de respuesta, y el objetivo es encontrar una frmula que maximice el puntaje
total. Se corren dos rplicas de este diseo.
Combinacin de
tratamientos

Rplica
I

1
a
b
ab
c
ac
bc
abc

159
168
158
166
175
179
173
179

II

Combinacin de
tratamientos

Rplica
I

II

163
175
163
168
178
183
168
182

d
ad
bd
abd
cd
acd
bcd
abcd

164
187
163
185
168
197
170
194

159
189
159
191
174
199
174
198

a) Analice los datos.

Analizando los datos presentados en la tabla anterior, se advierte que
efectivamente se trata de un diseo factorial de cuatro factores y dos niveles por factor
(24). Sin embargo la notacin de la combinacin de los tratamientos no permite verificar
que nivel se est empleando para cada factor en cada una de las 16 combinaciones
generadas a partir de este diseo. Por ello los datos se presentan en la siguiente tabla de
modo que su interpretacin sea ms sencilla. Las rplicas consideradas son tomadas
como bloques obteniendo as 32 filas.
Una vez diseado el experimento en el software STATGRAPHICS con las
caractersticas sealadas en este ejercicio e ingresado los puntajes totales, obtenido por
las bebidas en cada combinacin de tratamientos, en el libro de datos generado, se ha
analizado el experimento obteniendo una serie de resultados y representaciones grficas.

El mximo orden para la estimacin de los efectos corresponde a 4. Observando

el diagrama de Pareto, que se expone en la figura siguiente, para la estimacin de los
efectos de orden 4, se aprecia que los efectos significativos sobre el puntaje total de la
bebida corresponden a; efecto A, efecto C, efecto D y la interaccin AD, correspondientes
con el tipo de edulcorante, el nivel de carbonatacin, la temperatura y la interaccin entre
el tipo de edulcorante y la temperatura.
Diagrama de Pareto Estandarizada para Puntaje

A:a
C:c
AD
D:d
ABCD
B:b
CD
BD
ABC
AC
ABD
BC
BCD
AB
ACD

+
-

6
9
12
Efecto estandarizado

15

18

Lo anterior es respaldado por la representacin grfica de probabilidad normal

para los efectos calculados. El anlisis de varianza permite concluir que los factores que
inducen diferencias estadsticamente significativas sobre la variable de respuesta (puntaje
total de la bebida) corresponde con; A, C, D y AD para los rdenes entre 2 y 4 con p <
0.05, obviamente para orden 1 solo los factores puros A, C y D inducen diferencias
estadsticamente significativas sobre la variable de respuesta puesto que este orden no
considera las interacciones. Cabe destacar que para los rdenes entre 2 y 4 la fuente de
variacin Bloque manifiesta diferencias estadsticamente significativas sobre la variable
de respuesta lo que indica que cuando se replic el experimento no se obtuvieron
comportamientos similares respecto al obtenido en primera instancia. Sin embargo como
la prueba de Fisher es muy potente y menos conservadora esta diferencia puede ser
ignorada cuando se trabaja con datos obtenidos a partir de un panel de evaluacin
sensorial pequeo cuyo nivel de entrenamiento es desconocido.

BLOQUE

Puntaje

BLOQUE

Puntaje

-1

-1

-1

-1

159

-1

-1

-1

-1

163

-1

-1

-1

168

-1

-1

-1

175

-1

-1

-1

158

-1

-1

-1

163

-1

-1

166

-1

-1

168

-1

-1

-1

175

-1

-1

-1

178

-1

-1

179

-1

-1

183

-1

-1

173

-1

-1

168

-1

179

-1

182

-1

-1

-1

164

-1

-1

-1

159

-1

-1

187

-1

-1

189

-1

-1

163

-1

-1

159

-1

185

-1

191

-1

-1

168

-1

-1

174

-1

197

-1

199

-1

170

-1

174

194

198

Anticipando la frmula que maximiza el puntaje total obtenido por la bebida, se

puede sealar que esta debe poseer niveles altos para los factores A, C, D y un nivel bajo
del factor B, obteniendo as un puntaje total optimizado igual a 198,0. Lo anterior se puede
apreciar en la figura siguiente, donde se expone una representacin grfica de los efectos
principales para el puntaje total de la bebida.
Grfica de Efectos Principales para Puntaje

184
180

Puntaje

176
172
168
164
160
a

c
b

b) Determine un modelo apropiado y comente su idoneidad.

Para determinar el modelo que prediga el comportamiento de la variable de
respuesta, en primera instancia se desarrolla el clculo de los efectos estimados. En la
tabla siguiente se expone el valor de los efectos estimados para el orden 4, adems se
presenta el valor del error estndar para los efectos estimados que permite discriminar la
importancia de dichos efectos.
Efecto
Promedio
A
B
C
D
AB
AC
AD
BC
BD
CD
ABC
ABD
ACD
BCD
ABCD
Bloque

Estimado
175,25
17,0
-1,625
10,875
8,375
-0,125
-0,625
9,125
-0,25
1,25
-1,25
0,75
-0,5
0,0
0,125
-1,625
2,375

Error Estd.
0,474067
0,948134
0,948134
0,948134
0,948134
0,948134
0,948134
0,948134
0,948134
0,948134
0,948134
0,948134
0,948134
0,948134
0,948134
0,948134
0,948134

V.I.F.
1,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0
1,0

El modelo determinado que predice el comportamiento de la variable de respuesta

sin descontar aquellos efectos estimados cuyo error posee una magnitud de igual o mayor
magnitud que el valor del efecto estimado propiamente tal, se presenta a continuacin.
Puntaje Total = 175,25 + 8,5*A - 0,8125*B + 5,4375*C + 4,1875*D - 0,0625*A*B 0,3125*A*C + 4,5625*A*D - 0,125*B*C + 0,625*B*D - 0,625*C*D + 0,375*A*B*C 0,25*A*B*D + 0,0*A*C*D + 0,0625*B*C*D - 0,8125*A*B*C*D
Notar que tambin se presenta en la tabla anterior el factor de inflacin de
varianza (V.I.F.). Para un diseo perfectamente ortogonal, todos los factores seran igual
a 1. Factores de 10 o ms normalmente se interpretan como indicativos de confusin
entre los efectos. Al descontar aquellos efectos estimados cuyo error posee una magnitud
de igual o mayor magnitud que el valor del efecto estimado propiamente tal, marcados en
negrita en la tabla anterior, se obtiene el siguiente modelo predictivo para el puntaje total
de la bebida.

Puntaje Total= 175,25 + 8,5*A - 0,8125*B + 5,4375*C + 4,1875*D + 4,5625*A*D +

0,625*B*D - 0,625*C*D - 0,8125*A*B*C*D
Si solo consideramos aquellos factores o sus interacciones con significancia estadstica
de los efectos sobre la variable de respuesta, basndose en el anlisis de varianza, se
obtiene el siguiente modelo. En el modelo solo se consideraron el efecto de los factores A,
C, D y AD como se haba anticipado en a).
Puntaje Total = 175,25 + 8,5*A + 5,4375*C + 4,1875*D + 4,5625*A*D

El conjunto de representaciones graficas anteriores corresponden al ajuste de los

modelos sin exclusin (A), con exclusin (B) y el ltimo en el que solo los factores
significativos estadsticamente son considerados (C). Las representaciones graficas
permiten apreciar que la metodologa aplicada para la obtencin de un modelo idneo es
apropiada pues el ajuste del ltimo modelo predictivo obtenido (C) es aceptable sobre
todo para predecir valores elevados para el puntaje total de la bebida en estudio.

6. Un experimentador realiza un diseo 24 y obtiene los siguientes efectos estimados:

a) Determine los efectos significativos a travs de un grfico de probabilidad normal.

El primer paso para la construccin del grafico de probabilidad normal, como ya se ha
visto, es la ordenacin de los efectos estimados de mayor a menor, como se muestra en
la siguiente tabla.
ORDEN (i)

EFECTO

VALOR

PROBABILIDAD (Pi)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

A
BC
BD
AC
ACD
AD
CD
ABC
ABCD
ABD
C
BCD
D
AB
B

76,95
20,78
14,74
11,69
10,2
9,78
1,27
-2,82
-6,25
-6,5
-7,84
-7,98
-18,73
-51,32
-67,52

3,333
10,000
16,667
23,333
30,000
36,667
43,333
50,000
56,667
63,333
70,000
76,667
83,333
90,000
96,667

Los valores de i son asignados en orden creciente entre 1 y m, donde m es el mximo

valor de i (orden del ltimo efecto estimado). El valor de la probabilidad Pi se determina
mediante la siguiente ecuacin.

P i=

( 100(i0.5)
)
m

El orden, efecto estimado, valor del efecto estimado y el clculo de la probabilidad se

presenta en la tabla previamente expuesta. A partir de los valores de los efectos (x) y el
valor de la probabilidad estimada (y) para cada efecto, se construye la representacin
grfica de probabilidad normal presentada a continuacin.
-80 -60 -40 -20 0 20 40 60 80
1

Probabilidad Normal

10

100
Efectos

Los efectos significativos sobre la variable de respuesta quedan ms alejados de la lnea

recta trazada y se encuentran en negrita en la tabla de resultados. Dichos efectos
corresponden a; Efecto B, Efecto AB y efecto A de izquierda a derecha.
b) Construya un modelo tentativo.
Basado en los resultados de presentados en a), y bajo la consideracin que solo los
efectos A, B y su interaccin (AB) son significativos sobre la variable de respuesta, el
modelo tentativo correspondera a la siguiente ecuacin.

y=+76,95A67,52B51,32AB

7. A partir de los siguientes datos, determine:

X1
-1
1
-1
1
-2
+2
0
0
0
0

X2
-1
-1
1
1
0
0
-2
+2
0
0

y
74
74
72
73
71
72
75
71
73
75

a) Modelo de primer grado (lineal), chequee curvatura.

Tras el anlisis de los datos al software STATGRAPHIC, se determin el valor de los
efectos que son expuestos en la siguiente tabla.
Efecto
promedio
A:X1
B:X2
AA
AB
BB

Estimado
74,0
0,603554
-2,16422
-2,0
0,5
-0,499993

Error Estd.
0,78293
0,782931
0,782931
1,03572
1,10723
1,03572

V.I.F.
1,0
1,0
1,225
1,0
1,225

Al comparar los errores estndares con los valores de los efectos estimados se advirti
que los efectos X1X2 y X22 (AB y BB) no eran significativos sobre la variable de respuesta
estudiada. Estos valores fueron excluidos del anlisis y el modelo obtenido se presenta a
continuacin.
Y = 73,7143 + 0,301777*X1 - 1,08211*X2 - 0,892859*X12
Una vez considerado el anlisis de varianza se advirti que solo el factor X 2 (B) era
significativo sobre la variable de respuesta obtenindose el siguiente modelo de primer
grado.
Y = 73,0 - 1,08211*X2

Este modelo de tipo lineal ha despreciado la curvatura puesto que los efectos de los
elementos cuadrticos de X1 y X2 o sus interacciones no fueron significativas
estadsticamente.
b) Realice lneas de contorno en la superficie de respuesta.
De la superficie de respuesta obtenida fueron representadas las lneas de contorno y
dicha representacinContornos
se presenta
a continuacin.
de la Superficie de Respuesta Estimada
1,5

Y
68,0-68,8
68,8-69,6
69,6-70,4
70,4-71,2
71,2-72,0
72,0-72,8
72,8-73,6
73,6-74,4
74,4-75,2
75,2-76,0

X2

0,5
0
-0,5
-1
-1,5
-1,5

-1

-0,5

0
X1

0,5

1,5

c) Dibuje una lnea que indique la etapa de ascenso en la superficie.

La lnea que se ha agregado en la representacin grfica de contorno antes presentada,
representa la etapa de ascenso para la variable de respuesta Y. La optimizacin se
consigue para valores de X1 iguales a 0 y valores de X2 iguales a -1.4142, el valor optimo
sealado corresponde a y=74.5303. La trayectoria o etapa de ascenso va desde valores
positivos para X2 a valores negativos para X2 pasando por X1 igual a cero puesto que
este factor no es significativo sobre la variable de respuesta; y.
.

8. Un microbilogo est interesado en determinar el efecto de dos medios de

cultivo y dos tiempos de incubacin sobre el crecimiento de un virus. Realiza 6
rplicas de un diseo 22, realizando las corridas en orden aleatorizado.

a) Analice los resultados de crecimiento y realice las conclusiones apropiadas.

Diagrama de Pareto Estandarizada para Crecimiento

+
-

B:Tiempo

AB

A:Medio

4
6
8
Efecto estandarizado

10

12

Mediante el diagrama de Pareto se puede apreciar a simple vista que el tiempo de

incubacin influye mayormente en el crecimiento del virus, adems de este factor la
interaccin entre el tiempo de incubacin y el medio de cultivo tambin influye
significativamente sobre el crecimiento del virus. Lo anterior es ratificado por el grafico
de efectos principales para el crecimiento del virus, que se presenta a continuacin.
En l se observa que el mayor efecto es el causado por el tiempo de incubacin
debido a que posee una pendiente positiva, mientras que el medio de cultivo presenta
una pendiente negativa y menos pronunciada.

Grfica de Efectos Principales para Crecimiento

36

Crecimiento

34
32
30
28
26
24
-1,0

1,0

-1,0

Medio

1,0
Tiempo

La representacin grfica de contorno construida a partir de la superficie de respuesta

estimada con el modelo de ajuste al que se le ha excluido el factor medio de cultivo,
manifiesta que a medida que aumenta el tiempo de incubacin aumenta el crecimiento
del virus analizado. El valor ptimo para el crecimiento del virus bajo estas
condiciones esta dado para el medio de cultivo 1 y 18 horas de tiempo de incubacin,
con un valor optimo
igual a 36.5417.
Contornos
de la Superficie de Respuesta Estimada
1

Crecimiento
20,0-22,0
22,0-24,0
24,0-26,0
26,0-28,0
28,0-30,0
30,0-32,0
32,0-34,0
34,0-36,0
36,0-38,0
38,0-40,0

Tiempo

0,6
0,2
-0,2
-0,6
-1
-1

-0,6

-0,2

0,2
Medio

0,6

b) Analice los residuos y comente la adecuacin del modelo predictivo.

El modelo predictivo obtenido tras la exclusin del factor medio de cultivo es el siguiente.
Crecimiento = 29,625 + 4,95833*Tiempo - 1,95833*Medio*Tiempo
A partir de este modelo se han calculado los valores predichos para las 24 combinaciones
posibles de los 2 factores considerando las rplicas efectuadas. La tabla siguiente
presenta la determinacin de los residuos calculados como se ha expuesto en ejercicios
previos.
Fila
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

Valores Observados
21,000
25,000
37,000
31,000
23,000
24,000
38,000
29,000
20,000
29,000
35,000
30,000
22,000
26,000
39,000
34,000
28,000
25,000
38,000
33,000
26,000
27,000
36,000
35,000

Valores ajustados
21,583
25,500
35,417
31,500
21,583
25,500
35,417
31,500
21,583
25,500
35,417
31,500
23,333
27,250
37,167
33,250
24,083
28,000
37,917
34,000
24,083
28,000
37,917
34,000

Residuos
0,583
0,500
-1,583
0,500
-1,417
1,500
-2,583
2,500
1,583
-3,500
0,417
1,500
1,333
1,250
-1,833
-0,750
-3,917
3,000
-0,083
1,000
-1,917
1,000
1,917
-1,000

La representacin grfica siguiente se obtiene al representar los residuos calculados en

funcin de los valores predichos.Grfica de Residuos para Crecimiento
4

residuo

-2

-4
20

24

28
32
predichos

36

40

La adecuacin del modelo predictivo seleccionado corresponde al clculo del coeficiente

de determinacin; R2, obtenido al correlacionar los valores predichos v/s los observados.
El valor de R2 para el modelo predictivo que se ha estado estudiando corresponde a
0.8996. Este valor ha sido determinado mediante mnimos cuadrados a travs del
software de Microsoft Excel al igual que la representacin grfica siguiente. El valor
obtenido para el coeficiente de determinacin nos muestra que la adecuacin del modelo
predictivo estudiado representa apropiadamente el comportamiento de la variable de
respuesta; crecimiento en funcin de los factores que influyen sobre este.
40
35
Valores observados

R = 0.9

30
25
20
20 22 24 26 28 30 32 34 36 38 40
valores predichos

9. M.B. Kilgo describe un experimento para determinar el efecto de la presin

de CO2 (A), temperatura de CO2 (B), humedad del cacahuate (man) (C),
velocidad de flujo de CO 2 (D), y tamao de partcula del man (E) sobre el
rendimiento de aceite total por batch de man (y). Los niveles de los factores y
el diseo son los siguientes:

a) Qu tipo de diseo fue utilizado? Identifique el patrn de confusin si lo hay.

El diseo corresponde a factorial fraccionado (1/2). En cuanto al patrn de confusin se
puede comentar que no es posible determinar el error estndar para rdenes de los
efectos mayores a 1 puesto que no se cuenta con el nmero de grados de libertad
requeridos para tal efecto. Con un orden igual a 1 no se presenta confusin pues el factor
de inflacin de varianza mximo es igual a 1 lo que indica un diseo perfectamente
ortogonal.

b) Estime el valor de los efectos y determine cules son importantes (use grfico de
probabilidad normal).
El anlisis fue efectuado considerando un mximo orden de efectos de 1. A partir del
grafico de probabilidad normal se puede apreciar que los factores que son significativos
sobre la variable de respuesta analizada son el tamao y la temperatura. Se pudo advertir
que para un orden de efectos igual a 2 mltiples eran los factores y sus interacciones que
influan significativamente sobre la variable de respuesta. Puntualmente todos los factores
juegan un papel importante en el rendimiento de aceite total de man ya que ciertamente
es un efecto pequeo se encuentran cercanos a la lnea de tendencia, pero los que
generan el efecto significativo son la presin, el tamao de partcula y la temperatura, los
cuales tambin pueden estar interactuando entre ellos, pero mediante representaciones
graficas de probabilidad normal
nodeseProbabilidad
pueden observar
conRendimiento
claridad.
Grfica
Normal para
99,9
99

porcentaje

95
B:Temperatura

80

A:Presion
C:Humedad
D:Flujo

50
20

E:tamao

5
1
0,1
-12

-9

-6
-3
0
Efectos estandarizados

En el diagrama de Paretto se observa claramente que

el tamao de partcula, la

temperatura y la presin representan en mayor medida los efectos significativos sobre el

rendimiento, donde adems se genera un efecto menor dado por la interaccin entre la
presin y el tamao de partcula, y entre la humedad y el tamao de partcula.

Diagrama de Pareto Estandarizada para Rendimiento

E:tamao
B:Temperatura
A:Presion
AE
CE
AB
AD
DE
BC
CD
BD
AC
C:Humedad

+
-

50

100
150
200
Efecto estandarizado

250

300

c) Analice los residuos y comente la idoneidad del modelo predictivo.

Modelo predictivo con los factores que tienen incidencia en el rendimiento de aceite total
del man:
Rendimiento = -22,3585 + 0,218291*Presion - 0,214683*Temperatura - 3,61042*Humedad + 1,69136*Flujo +
3,80398*tamao + 0,00111111*Presion*Temperatura + 0,00185185*Presion*Humedad 0,00296296*Presion*Flujo - 0,0374382*Presion*tamao + 0,00857143*Temperatura*Humedad 0,0025*Temperatura*Flujo + 0,0225*Humedad*Flujo + 0,451264*Humedad*tamao - 0,126354*Flujo*tamao

Los residuos no poseen una tendencia en su distribucin, por lo que se deduce que en el
experimento se consideraron todos aquellos factores significativos.

Grfica de Residuos para Rendimiento

0,15
0,1

residuo

0,05
0
-0,05
-0,1
-0,15
0

20

40
60
predichos

80

100

Dada la complejidad del modelo presentado, no se reconoce este modelo como el ms

idneo desde el punto de vista prctico, ahora bien estadsticamente es correcto y su
generacin posee justificacin analtica y sigue la metodologa empleada a travs de toda
esta resolucin. Por otra parte modelos ms sencillos como los de orden de efectos igual
a 1 considera solo dos de los tres que influyen fuertemente sobre el rendimiento del aceite
total del man.

10.
Analice el siguiente diseo de mezcla para la variable de respuesta
resistencia a la extensin

La siguiente representacin grafica manifiesta el comportamiento de la variable de

respuesta en funcin de los tres factores que componen la muestra.

Contornos de la Superficie de Respuesta Estimada

Comp_A=1,0

Comp_C=0,0

Comp_B=1,0

Comp_B=0,0

Comp_A=0,0

Var_1
0,21-0,235
0,235-0,26
0,26-0,285
0,285-0,31
0,31-0,335
0,335-0,36
0,36-0,385
0,385-0,41
0,41-0,435

Comp_C=1,0

Dependiendo de la meta fijada, ya sea maximizar, minimizar u obtener un valor fijo para la
resistencia a la extensin de la masa de pan francs congelado, diversas va a ser las
cantidades o ms bien proporciones de cada emulsionantes requeridos. Si la meta es
obtener una mayor resistencia a la extensin hay que maximizar y se usara la zona
cercana al componente A=0,0 es decir la superficie pintada de color amarillo, donde la
proporcin de todos los componentes optimiza la resistencia a la extencion. El detalle
para cumplir con esta meta se presenta a continuacin.
Optimizar Respuesta
Meta: maximizar Var_1
Valor ptimo = 0,423725
Factor
Comp_A
Comp_B
Comp_C

Bajo
0,0
0,0
0,0

Alto
1,0
1,0
1,0

ptimo
3,85853E-11
0,631507
0,368493

El modelo que predice la resistencia a la extensin en funcin de los factores en estudio

es el siguiente:
Resistencia = 0,343231*Comp_A + 0,379231*Comp_B + 0,293231*Comp_C 0,500615*Comp_A*Comp_B - 0,0686145*Comp_A*Comp_C +
0,327385*Comp_B*Comp_C

0,1

0,075

0,06

0,045

0,02

0,015

residuo

residuo

El modelo es de tipo cuadrtico considera el efecto principal de cada uno de los factores
que componen la mezcla y su interaccin. El comportamiento de los residuos puede ser
mejorado considerando un modelo predictor del tipo cubico especial. Esto se advierte en
las figuras adjuntas.
Grfica de Residuos para Var_1
Grfica de Residuos para Var_1

-0,02
-0,06

-0,015
-0,045

-0,1

-0,075
0,21

0,26

0,31
0,36
predichos

0,41

0,46

0,21

0,26

0,31
0,36
predichos

0,41

0,46